Nature.com сайтына кіргеніңіз үшін рақмет. Сіз пайдаланып отырған браузер нұсқасында CSS қолдауы шектеулі. Ең жақсы тәжірибе алу үшін жаңартылған браузерді пайдалануды ұсынамыз (немесе Internet Explorer бағдарламасында үйлесімділік режимін өшіріңіз). Сонымен қатар, үздіксіз қолдауды қамтамасыз ету үшін біз сайтты стильдерсіз және JavaScriptсіз көрсетеміз.
Топырақтың ластануы - адам қызметінің салдарынан туындайтын үлкен мәселе. Потенциалды улы элементтердің (ПТЭ) кеңістіктік таралуы қалалық және қала маңындағы аудандардың көпшілігінде әртүрлі. Сондықтан мұндай топырақтардағы ПТЭ құрамын кеңістіктік тұрғыдан болжау қиын. Чехиядағы Frydek Mistek компаниясынан барлығы 115 үлгі алынды. Кальций (Ca), магний (Mg), калий (K) және никель (Ni) концентрациялары индуктивті байланысқан плазмалық эмиссиялық спектрометрияны қолдану арқылы анықталды. Жауап айнымалысы Ni, ал болжаушылар Ca, Mg және K болып табылады. Жауап айнымалысы мен болжаушы айнымалы арасындағы корреляция матрицасы элементтер арасында қанағаттанарлық корреляцияны көрсетеді. Болжау нәтижелері тірек векторының машиналық регрессиясы (SVMR) жақсы жұмыс істегенін көрсетті, дегенмен оның болжамды орташа квадраттық қателігі (RMSE) (235,974 мг/кг) және орташа абсолютті қателігі (MAE) (166,946 мг/кг) қолданылған басқа әдістерге қарағанда жоғары болды. Эмпирикалық Байес Кригинг-Көп сызықтық регрессиясы (EBK-MLR) үшін аралас модельдер ... нәтиже береді. нашар, бұл 0,1-ден аз детерминация коэффициенттерімен дәлелденген. Эмпирикалық Байес Кригинг-Тірек Векторлық Машиналық Регрессия (EBK-SVMR) моделі ең жақсы модель болды, RMSE (95,479 мг/кг) және MAE (77,368 мг/кг) мәндері төмен және детерминация коэффициенті жоғары болды (R2 = 0,637). EBK-SVMR модельдеу әдісінің нәтижесі өзін-өзі ұйымдастыратын картаны пайдаланып көрнекі түрде көрсетілген. CakMg-EBK-SVMR гибридті моделінің компоненті жазықтығындағы кластерленген нейрондар қалалық және қала маңындағы топырақтардағы Ni концентрациясын болжайтын бірнеше түсті үлгілерді көрсетеді. Нәтижелер EBK және SVMR біріктіру қалалық және қала маңындағы топырақтардағы Ni концентрациясын болжайтын тиімді әдіс екенін көрсетеді.
Никель (Ni) өсімдіктер үшін микроэлемент болып саналады, себебі ол атмосфералық азотты бекітуге (N) және мочевина алмасуына ықпал етеді, бұл екеуі де тұқымның өнуі үшін қажет. Тұқымның өнуіне қосқан үлесінен басқа, Ni саңырауқұлақ және бактериялық ингибитор ретінде әрекет ете алады және өсімдіктердің дамуына ықпал етеді. Топырақта никельдің болмауы өсімдіктің оны сіңіруіне мүмкіндік береді, нәтижесінде жапырақтардың хлорозы пайда болады. Мысалы, сиыр бұршағы мен жасыл бұршақ азотты бекітуді оңтайландыру үшін никель негізіндегі тыңайтқыштарды қолдануды қажет етеді. Топырақты байыту және бұршақ тұқымдастардың топырақтағы азотты бекіту қабілетін арттыру үшін никель негізіндегі тыңайтқыштарды үнемі қолдану топырақтағы никель концентрациясын үнемі арттырады. Никель өсімдіктер үшін микроэлемент болғанымен, оны топырақта шамадан тыс қабылдау пайдадан гөрі зиян келтіруі мүмкін. Топырақтағы никельдің уыттылығы топырақтың рН деңгейін төмендетеді және өсімдіктердің өсуі үшін маңызды қоректік зат ретінде темірдің сіңуіне кедергі келтіреді. Liu3 мәліметтері бойынша, Ni өсімдіктердің дамуы мен өсуі үшін қажетті 17-ші маңызды элемент болып табылады. Никельдің өсімдіктердің дамуы мен өсуіндегі рөлінен басқа, адамдарға оны әртүрлі қолдану үшін қажет етеді. Электродеплитинг, никель негізіндегі өндіріс. қорытпалар, сондай-ақ автомобиль өнеркәсібінде тұтану құрылғылары мен ұшқын шамдарын өндіру әртүрлі өнеркәсіп салаларында никельді пайдалануды талап етеді. Сонымен қатар, никель негізіндегі қорытпалар мен гальванизацияланған бұйымдар ас үй ыдыстарында, бал залының аксессуарларында, тамақ өнеркәсібінің жабдықтарында, электр, сымдар мен кабельдерде, реактивті турбиналарда, хирургиялық имплантаттарда, тоқыма бұйымдарында және кеме жасауда кеңінен қолданылды.5. Топырақтағы (яғни, жер үсті топырақтарындағы) никелге бай деңгей антропогендік және табиғи көздерге жатқызылды, бірақ ең алдымен, никел антропогендік емес, табиғи көз болып табылады.4,6.Никельдің табиғи көздеріне жанартау атқылауы, өсімдіктер, орман өрттері және геологиялық процестер жатады; дегенмен, антропогендік көздерге болат өнеркәсібіндегі никель/кадмий батареялары, гальваникалық қаптау, доғалық дәнекерлеу, дизель және отын майлары, сондай-ақ көмірді жағудан және қалдықтар мен шламды жағудан атмосфераға шығарылатын шығарындылар жатады.Никельдің жиналуы.7,8.Фридман мен Хатчинсонның9 және Манива және т.б. мәліметтері бойынша. 10, жақын және жақын маңдағы қоршаған ортадағы топырақтың үстіңгі қабатының ластануының негізгі көздері негізінен никель-мыс негізіндегі балқыту зауыттары мен шахталар болып табылады. Канададағы Садберидегі никель-мыс өңдеу зауытының айналасындағы үстіңгі топырақта никельдің ластану деңгейі ең жоғары болды, ол 26 000 мг/кг11 болды. Керісінше, Ресейде никель өндірісінен ластану Норвегия топырағында никель концентрациясының жоғарылауына әкелді11. Alms және т.б. мәліметтері бойынша. 12, аймақтың ең жақсы егістік жерлеріндегі (Ресейде никель өндірісі) HNO3-экстракцияланатын никель мөлшері 6,25-тен 136,88 мг/кг-ға дейін болды, бұл орташа 30,43 мг/кг және бастапқы концентрация 25 мг/кг құрайды. Kabata 11 мәліметтері бойынша, қалалық немесе қала маңындағы топырақтардағы ауылшаруашылық топырақтарына фосфор тыңайтқыштарын кезекті егістік маусымдарында қолдану топырақты сіңіруі немесе ластауы мүмкін. Никельдің адамдардағы ықтимал әсері мутагенез, хромосомалық зақымдану, Z-ДНҚ генерациясы, ДНҚ эксцизиясын қалпына келтірудің блокталуы немесе эпигенетикалық процестер арқылы қатерлі ісікке әкелуі мүмкін13. Жануарларға жүргізілген тәжірибелерде никельдің әртүрлі ісіктерді тудыру мүмкіндігі бар екені анықталды, ал канцерогенді никель кешендерінің мұндай ісіктерді ушықтыруы мүмкін.
Топырақтың ластануын бағалау соңғы кездері топырақ-өсімдік қарым-қатынасынан, топырақ пен топырақтың биологиялық қарым-қатынасынан, экологиялық деградациядан және қоршаған ортаға әсерді бағалаудан туындайтын денсаулыққа қатысты көптеген мәселелерге байланысты кеңінен дамыды. Бүгінгі күнге дейін топырақтағы Ni сияқты ықтимал улы элементтердің (ПТЭ) кеңістіктік болжамы дәстүрлі әдістерді қолдану арқылы көп еңбекті және уақытты қажет етті. Топырақтың сандық картасын жасаудың (ЦКГ) пайда болуы және оның қазіргі табысы15 болжамды топырақ картасын жасауды (ПКГ) айтарлықтай жақсартты. Минасни мен МакБратни16 мәліметтері бойынша, болжамды топырақ картасын жасау (ПКГ) топырақтану ғылымының көрнекті саласы болып табылады. Лагачери мен МакБратни, 2006, ЦКГ-ны «жергілікті және зертханалық бақылау әдістерін және кеңістіктік және кеңістіктік емес топырақ қорытынды жүйелерін пайдалану арқылы кеңістіктік топырақ ақпараттық жүйелерін құру және толтыру» деп анықтайды. МакБратни және т.б. 17-де қазіргі заманғы DSM немесе PSM PTE-дің кеңістіктік таралуын, топырақ түрлерін және топырақ қасиеттерін болжау немесе картаға түсіру үшін ең тиімді әдіс екені көрсетілген. Геостатистика және машиналық оқыту алгоритмдері (MLA) - бұл маңызды және минималды деректерді пайдалана отырып, компьютерлердің көмегімен сандық карталарды жасайтын DSM модельдеу әдістері.
Deutsch18 және Olea19 геостатистиканы «негізінен стохастикалық модельдерді пайдаланатын, мысалы, уақыттық қатарларды талдау уақытша деректерді қалай сипаттайтыны сияқты кеңістіктік атрибуттарды көрсетумен айналысатын сандық әдістер жиынтығы» деп анықтайды. Негізінен, геостатистика әрбір деректер жиынтығынан кеңістіктік мәндердің тәуелділігін сандық бағалауға және анықтауға мүмкіндік беретін вариограммаларды бағалауды қамтиды20. Gumiaux және т.б. 20-суретте геостатистикадағы вариограммаларды бағалау үш қағидаға негізделгені көрсетілген, оның ішінде (а) деректер корреляциясының шкаласын есептеу, (b) деректер жиынтығының сәйкессіздігіндегі анизотропияны анықтау және есептеу және (c) қосымша. Жергілікті әсерлерден бөлінген өлшеу деректерінің ішкі қателігін ескерумен қатар, аумақтық әсерлер де бағаланады. Осы тұжырымдамаларға сүйене отырып, геостатистикада көптеген интерполяция әдістері қолданылады, соның ішінде жалпы кригинг, бірлескен кригинг, қарапайым кригинг, эмпирикалық байес кригинг, қарапайым кригинг әдісі және басқа да белгілі интерполяция әдістері қолданылады, олар PTE, топырақ сипаттамалары мен топырақ түрлерін картаға түсіру немесе болжау үшін қолданылады.
Машиналық оқыту алгоритмдері (MLA) - бұл негізінен деректерді өндіру, деректердегі үлгілерді анықтау және топырақтану және қайтару тапсырмалары сияқты ғылыми салаларда жіктеуге бірнеше рет қолданылатын алгоритмдермен қамтамасыз етілген үлкенірек сызықтық емес деректер кластарын қолданатын салыстырмалы түрде жаңа әдіс. Тан және т.б. 22 (ауыл шаруашылығы топырақтарындағы ауыр металдарды бағалауға арналған кездейсоқ ормандар), Сакизаде және т.б. 23 (тірек векторлық машиналар мен жасанды нейрондық желілерді пайдаланып модельдеу) сияқты топырақтағы PTE болжау үшін MLA модельдеріне негізделген көптеген зерттеу жұмыстары топырақтағы PTE болжау үшін MLA модельдеріне сүйенеді. Сонымен қатар, Вега және т.б. 24 (топырақтағы ауыр металдарды ұстап тұру мен адсорбцияны модельдеуге арналған CART), Сан және т.б. 25 (кубисті қолдану - топырақтағы Cd таралуы) және k-ең жақын көрші, жалпыланған күшейтілген регрессия және күшейтілген регрессия сияқты басқа алгоритмдер. Ағаштар топырақтағы PTE болжау үшін MLA қолданды.
DSM алгоритмдерін болжауда немесе картаға түсіруде қолдану бірнеше қиындықтарға тап болады. Көптеген авторлар MLA геостатистикадан жоғары және керісінше деп санайды. Біреуі екіншісінен жақсырақ болғанымен, екеуінің үйлесімі DSM15-тегі картаға түсірудің немесе болжаудың дәлдік деңгейін жақсартады. Вудкок пен Гопал26 Финке27; Понтий мен Чеук28 және Грунвальд29 болжамды топырақ картаға түсірудегі кемшіліктер мен кейбір қателіктер туралы пікір білдіреді. Топырақ ғалымдары DSM картаға түсіру мен болжаудың тиімділігін, дәлдігін және болжамдылығын оңтайландыру үшін әртүрлі әдістерді қолданып көрді. Белгісіздік пен тексерудің үйлесімі тиімділікті оңтайландыру және ақауларды азайту үшін DSM-ге біріктірілген көптеген әртүрлі аспектілердің бірі болып табылады. Дегенмен, Агиеман және т.б.15 карта жасау және болжау арқылы енгізілген валидация мінез-құлқы мен белгісіздік карта сапасын жақсарту үшін тәуелсіз түрде тексерілуі керек екенін атап көрсетеді. DSM шектеулері географиялық жағынан шашыраңқы топырақ сапасына байланысты, ол белгісіздік компонентін қамтиды; дегенмен, DSM-дегі сенімділіктің болмауы бірнеше қателік көздерінен, атап айтқанда ковариаттық қателіктен, модель қателігінен, орналасу қателігінен және аналитикалық қателіктен туындауы мүмкін. 31. MLA және геостатистикалық процестерде туындаған модельдеудегі дәлсіздіктер түсінбеушілікпен байланысты, сайып келгенде нақты процесті шамадан тыс жеңілдетуге әкеледі.32. Модельдеудің сипатына қарамастан, дәлсіздіктерді модельдеу параметрлеріне, математикалық модель болжамдарына немесе интерполяцияға жатқызуға болады.33. Жақында геостатистика мен MLA-ны картаға түсіру мен болжауға интеграциялауды ілгерілететін жаңа DSM үрдісі пайда болды. Сергеев және т.б. 34; Субботина және т.б. 35; Тарасов және т.б. 36 және Тарасов және т.б. 37 сияқты бірнеше топырақ ғалымдары мен авторлары болжау мен картаға түсірудің тиімділігін арттыратын гибридті модельдерді жасау үшін геостатистика мен машиналық оқытудың дәл сапасын пайдаланды. сапасы. Осы гибридті немесе біріктірілген алгоритм модельдерінің кейбіреулері: жасанды нейрондық желі кригингі (ANN-RK), көп қабатты перцептрон қалдық кригингі (MLP-RK), жалпыланған регрессиялық нейрондық желі қалдық кригингі (GR-NNRK)36, жасанды нейрондық желі кригингі-көп қабатты перцептрон (ANN-K-MLP)37 және бірлескен кригингі және Гаусс процесінің регрессиясы38.
Сергеев және т.б. пікірінше, әртүрлі модельдеу әдістерін біріктіру ақауларды жоюға және алынған гибридті модельдің тиімділігін арттыруға мүмкіндік береді, оның бірыңғай моделін жасаудың орнына. Осыған байланысты, бұл жаңа мақалада қалалық және қала маңындағы аудандарда нитрогеннің байытылуын болжау үшін оңтайлы гибридті модельдерді жасау үшін геостатистика мен MLA біріктірілген алгоритмін қолдану қажет екендігі айтылады. Бұл зерттеу базалық модель ретінде эмпирикалық байес кригингіне (EBK) сүйенеді және оны тірек векторлық машинамен (SVM) және көп сызықтық регрессия (MLR) модельдерімен араластырады. EBK-ны кез келген MLA-мен будандастыру белгісіз. Көрінген бірнеше аралас модельдер қарапайым, қалдық, регрессиялық кригинг және MLA комбинациялары болып табылады. EBK - кеңістіктік вариацияға мүмкіндік беретін, өріс бойынша анықталған локализация параметрлері бар стационарлық емес/стационарлық кездейсоқ өріс ретінде локализацияланған кеңістіктік стохастикалық процесті пайдаланатын геостатистикалық интерполяция әдісі39. EBK ауылшаруашылық топырақтарында органикалық көміртектің таралуын талдау40, топырақтың ластануын бағалау41 және топырақ қасиеттерін картаға түсіру42 сияқты әртүрлі зерттеулерде қолданылды.
Екінші жағынан, өзін-өзі ұйымдастыратын граф (SeOM) - Li және т.б. 43, Wang және т.б. 44, Hossain Bhuiyan және т.б. 45 және Kebonye және т.б. сияқты әртүрлі мақалаларда қолданылған оқу алгоритмі. Элементтердің кеңістіктік атрибуттары мен топтастырылуын анықтаңыз. Wang және т.б. 44 SeOM - сызықтық емес есептерді топтастыру және елестету қабілетімен танымал қуатты оқу әдісі екенін атап көрсетеді. Негізгі компоненттік талдау, анық емес кластерлеу, иерархиялық кластерлеу және көп критерийлі шешім қабылдау сияқты басқа үлгіні тану әдістерінен айырмашылығы, SeOM PTE үлгілерін ұйымдастыруда және анықтауда жақсырақ. Wang және т.б. 44 мәліметтері бойынша, SeOM байланысты нейрондардың таралуын кеңістіктік түрде топтастыра алады және жоғары ажыратымдылықтағы деректерді визуализациялауды қамтамасыз ете алады. SeOM тікелей интерпретациялау үшін нәтижелерді сипаттау үшін ең жақсы модельді алу үшін Ni болжау деректерін визуализациялайды.
Бұл мақала қалалық және қала маңындағы топырақтардағы никель мөлшерін болжау үшін оңтайлы дәлдікпен сенімді картаға түсіру моделін жасауға бағытталған. Біз аралас модельдің сенімділігі негізінен базалық модельге қосылған басқа модельдердің әсеріне байланысты деп болжаймыз. Біз DSM алдында тұрған қиындықтарды мойындаймыз және бұл қиындықтар бірнеше бағытта шешіліп жатқанымен, геостатистика мен MLA модельдеріндегі жетістіктердің үйлесімі біртіндеп жүріп жатқан сияқты; сондықтан біз аралас модельдерді беруі мүмкін зерттеу сұрақтарына жауап беруге тырысамыз. Дегенмен, модель мақсатты элементті болжауда қаншалықты дәл? Сондай-ақ, валидация мен дәлдікті бағалауға негізделген тиімділікті бағалау деңгейі қандай? Сондықтан, бұл зерттеудің нақты мақсаттары (а) EBK базалық модель ретінде пайдалана отырып, SVMR немесе MLR үшін аралас қоспа моделін жасау, (b) алынған модельдерді салыстыру, (c) қалалық немесе қала маңындағы топырақтардағы Ni концентрациясын болжау үшін ең жақсы қоспа моделін ұсыну және (d) никель кеңістіктік вариациясының жоғары ажыратымдылықтағы картасын жасау үшін SeOM қолдану болды.
Зерттеу Чехияда, атап айтқанда Моравия-Силезия аймағындағы Фридек-Мистек ауданында жүргізілуде (1-суретті қараңыз). Зерттеу аймағының географиясы өте тегіс емес және көбінесе Карпат тауларының сыртқы жиегінің бөлігі болып табылатын Моравия-Силезия Бескиды аймағының бөлігі болып табылады. Зерттеу аймағы 49° 41′ 0′ N және 18° 20′ 0′ E аралығында орналасқан, ал биіктігі 225 және 327 м аралығында; дегенмен, аймақтың климаттық жағдайына арналған Коппен жіктеу жүйесі Cfb = қоңыржай мұхиттық климат ретінде бағаланады. Құрғақ айларда да жауын-шашын көп болады. Температура жыл бойы −5 °C мен 24 °C аралығында аздап өзгереді, сирек −14 °C-тан төмен немесе 30 °C-тан жоғары түседі, ал орташа жылдық жауын-шашын мөлшері 685 және 752 мм аралығында47. Барлық аумақтың болжамды зерттеу ауданы 1208 шаршы шақырымды құрайды, оның 39,38%-ы егістік жер және 49,36%-ы орман жамылғысы. Екінші жағынан, бұл зерттеуде пайдаланылған аумақ шамамен 889,8 шаршы шақырымды құрайды. Остравада және оның айналасында болат өнеркәсібі мен металл зауыттары өте белсенді. Металл диірмендері, никель тот баспайтын болаттарда (мысалы, атмосфералық коррозияға төзімділік үшін) және легирленген болаттарда (никель қорытпаның беріктігін арттырады, сонымен бірге оның жақсы икемділігі мен беріктігі сақталады) қолданылатын болат өнеркәсібі және фосфат тыңайтқыштарын қолдану және мал шаруашылығы сияқты қарқынды ауыл шаруашылығы никельдің зерттеудің әлеуетті көздері болып табылады. аймақта (мысалы, қозылар мен азықтандырылған ірі қара малдың өсу қарқынын арттыру үшін қозыларға никель қосу). Зерттеу салаларында никельдің басқа да өнеркәсіптік қолданылуына оны электроплитингте, соның ішінде никельді электроплитингте және электролитсіз никельмен қаптау процестерінде қолдану жатады. Топырақ қасиеттерін топырақтың түсінен, құрылымынан және карбонат құрамынан оңай ажыратуға болады. Топырақ құрылымы орташадан ұсаққа дейін, бастапқы материалдан алынған. Олар табиғаты бойынша коллювиалды, аллювиалды немесе эолдық болып табылады. Кейбір топырақ учаскелері беткі және жер асты қабаттарында дақтары бар, көбінесе бетон және ағартумен бірге жүреді. Дегенмен, камбисолдар мен стагнозолдар аймақтағы ең көп таралған топырақ түрлері болып табылады48. Биіктігі 455,1-ден 493,5 м-ге дейін болатын камбисолдар Чехияда басым49.
Зерттеу аймағының картасы [Зерттеу аймағының картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL мекенжайы: https://desktop.arcgis.com) көмегімен жасалды.]
Фридек Мистек ауданындағы қалалық және қала маңындағы топырақтардан барлығы 115 топырақтың үстіңгі қабатының үлгісі алынды. Қолданылған үлгі үлгісі топырақ үлгілері бір-бірінен 2 × 2 км қашықтықта орналасқан кәдімгі тор түрінде болды, ал үстіңгі қабат қол GPS құрылғысын (Leica Zeno 5 GPS) пайдаланып 0-ден 20 см тереңдікте өлшенді. Үлгілер Ziploc пакеттеріне салынып, тиісті түрде таңбаланып, зертханаға жіберілді. Үлгілер ауада кептіріліп, ұнтақталған үлгілер алынды, механикалық жүйемен (Фритч дискілі диірмені) ұнтақталған және електен өткізілді (електен өлшемі 2 мм). 1 грамм кептірілген, гомогенделген және електен өткізілген топырақ үлгілерін анық таңбаланған тефлон бөтелкелеріне салыңыз. Әрбір тефлон ыдысына 7 мл 35% HCl және 3 мл 65% HNO3 құйыңыз (әр қышқыл үшін автоматты диспенсерді пайдаланыңыз), жеңіл жауып, үлгілерді реакция үшін түні бойы тұрғызыңыз (aqua regia бағдарламасы). Супернатантты ыстық металл табаққа салыңыз. (температура: 100 Вт және 160 °C) үлгілерді қорыту процесін жеңілдету үшін 2 сағат бойы ұстаңыз, содан кейін суытыңыз. Супернатант 50 мл көлемдік колбаға құйылып, деионизацияланған сумен 50 мл дейін сұйылтыңыз. Осыдан кейін сұйылтылған супернатант 50 мл ПВХ түтігіне деионизацияланған сумен сүзіледі. Сонымен қатар, сұйылту ерітіндісінің 1 мл-і 9 мл деионизацияланған сумен сұйылтылып, ПТЭ жалған концентрациясына дайындалған 12 мл түтікке сүзіледі. ПТЭ концентрациялары (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) стандартты әдістер мен келісімге сәйкес ICP-OES (Индуктивті түрде байланысты плазмалық оптикалық эмиссиялық спектроскопия) (Thermo Fisher Scientific, АҚШ) арқылы анықталды. Сапаны қамтамасыз ету және бақылау (QA/QC) процедураларын қамтамасыз ету (SRM NIST 2711a Montana II Soil). Анықтау шегі жартысынан төмен ПТЭ осы зерттеуден алынып тасталды. Анықтау шегі Бұл зерттеуде қолданылған ПТЭ 0,0004 болды. (сіз). Сонымен қатар, әрбір талдау үшін сапаны бақылау және сапаны қамтамасыз ету процесі анықтамалық стандарттарды талдау арқылы қамтамасыз етіледі. Қателіктердің азайтылғанына көз жеткізу үшін қос талдау жүргізілді.
Эмпирикалық Байес Кригинг (ЭБК) - топырақтану сияқты әртүрлі салаларда модельдеуде қолданылатын көптеген геостатистикалық интерполяция әдістерінің бірі. Басқа кригинг интерполяция әдістерінен айырмашылығы, ЭБК дәстүрлі кригинг әдістерінен жартылай вариограмма моделімен бағаланған қатені ескеру арқылы ерекшеленеді. ЭБК интерполяциясында интерполяция кезінде бір жартылай вариограмма емес, бірнеше жартылай вариограмма модельдері есептеледі. Интерполяция әдістері жеткілікті кригинг әдісінің өте күрделі бөлігін құрайтын жартылай вариограмманың осы сызбасымен байланысты белгісіздік пен бағдарламалауға жол ашады. ЭБК интерполяция процесі Криворучко50 ұсынған үш критерийге сәйкес келеді, (а) модель жартылай вариограмманы кіріс деректер жиынтығынан бағалайды (b) әрбір кіріс деректер жиынтығының орны үшін жасалған жартылай вариограмма негізінде жаңа болжамды мәнді анықтайды және (c) соңғы А моделі модельденген деректер жиынтығынан есептеледі. Байес теңдеуінің ережесі кейінгі ретінде берілген.
Мұндағы \(Prob\left(A\right)\) алдын ала мәнді білдіреді, \(Prob\left(B\right)\) шекті ықтималдығы көп жағдайда ескерілмейді, \(Prob (B,A)\). Жартылай вариограмма есептеуі Байес ережесіне негізделген, ол жартылай вариограммалардан жасалуы мүмкін бақылау деректер жиындарының бейімділігін көрсетеді. Содан кейін жартылай вариограмманың мәні Байес ережесін пайдаланып анықталады, ол жартылай вариограммадан бақылау деректер жиынын жасау қаншалықты ықтимал екенін көрсетеді.
Тірек векторлық машина - бірдей, бірақ сызықтық тәуелсіз емес кластарды ажырату үшін оңтайлы бөлу гипержазықтығын жасайтын машиналық оқыту алгоритмі. Vapnik51 ниет жіктеу алгоритмін жасады, бірақ ол жақында регрессияға бағытталған есептерді шешу үшін қолданылды. Li және т.б.52 мәліметтері бойынша, SVM ең жақсы жіктеуіш әдістерінің бірі болып табылады және әртүрлі салаларда қолданылған. Бұл талдауда SVM (Support Vector Machine Regression – SVMR) регрессиялық компоненті пайдаланылды. Черкасский мен Мюльер53 SVMR-ді ядроға негізделген регрессия ретінде бастады, оны есептеу көп елді кеңістіктік функциялары бар сызықтық регрессия моделін қолдану арқылы жүргізілді. Джон және т.б.54 SVMR модельдеуде сызықтық емес қатынастарды жасайтын және кеңістіктік функцияларға мүмкіндік беретін гипержазықтық сызықтық регрессия қолданылатынын хабарлайды. Vohland және т.б. мәліметтері бойынша... 55-суретте, epsilon (ε)-SVMR корреляцияланған деректер бойынша оқытудан алынған ең жақсы эпсилон ауытқуымен деректерді тәуелсіз түрде картаға түсіру үшін қолданылатын эпсилонға сезімтал емес функция ретінде көрсету моделін алу үшін оқытылған деректер жиынтығын пайдаланады. Алдын ала орнатылған қашықтық қателігі нақты мәннен ескерілмейді, ал егер қате ε(ε)-ден үлкен болса, топырақ қасиеттері оны өтейді. Модель сонымен қатар оқыту деректерінің күрделілігін тірек векторларының кеңірек жиынына дейін азайтады. Vapnik51 ұсынған теңдеу төменде көрсетілген.
мұндағы b скалярлық шекті, \(K\left({x}_{,}{ x}_{k}\right)\) ядро ​​функциясын, \(\alpha\) Лагранж көбейткішін, N сандық деректер жиынтығын, \({x}_{k}\) деректерді енгізуді, ал \(y\) деректерді шығаруды білдіреді. Қолданылатын негізгі ядролардың бірі - Гаусс радиалды базистік функциясы (RBF) болып табылатын SVMR операциясы. RBF ядросы оңтайлы SVMR моделін анықтау үшін қолданылады, бұл PTE оқыту деректері үшін ең нәзік айыппұл жиынтығы коэффициенті C және ядро ​​​​параметрінің гаммасын (γ) алу үшін өте маңызды. Алдымен біз оқыту жиынтығын бағаладық, содан кейін валидация жиынтығындағы модельдің өнімділігін тексердік. Қолданылатын басқару параметрі - sigma, ал әдіс мәні - svmRadial.
Көптік сызықтық регрессия моделі (КСР) - ең кіші квадраттар әдісін қолдана отырып есептелген сызықтық біріктірілген параметрлерді қолдана отырып, жауап айнымалысы мен бірқатар болжамды айнымалылар арасындағы байланысты көрсететін регрессия моделі. КСР-де ең кіші квадраттар моделі түсіндірме айнымалыларды таңдағаннан кейін топырақ қасиеттерінің болжамды функциясы болып табылады. Түсіндірме айнымалыларды қолдана отырып, сызықтық байланысты орнату үшін жауапты пайдалану қажет. Түсіндірме айнымалылармен сызықтық байланысты орнату үшін жауап айнымалысы ретінде ПТЕ қолданылды. КСР теңдеуі ...
мұндағы y – жауап айнымалысы, \(a\) – қиылысу нүктесі, n – болжаушылар саны, \({b}_{1}\) – коэффициенттердің ішінара регрессиясы, \({x}_{ i}\) – болжаушы немесе түсіндірме айнымалыны, ал \({\varepsilon }_{i}\) – қалдық деп те аталатын модельдегі қатені білдіреді.
Аралас модельдер EBK-ны SVMR және MLR-мен біріктіру арқылы алынды. Бұл EBK интерполяциясынан болжамды мәндерді алу арқылы жасалады. Интерполяцияланған Ca, K және Mg-дан алынған болжамды мәндер CaK, CaMg және KMg сияқты жаңа айнымалыларды алу үшін комбинаторлық процесс арқылы алынады. Содан кейін Ca, K және Mg элементтері төртінші айнымалыны, CaKMg алу үшін біріктіріледі. Жалпы алғанда, алынған айнымалылар Ca, K, Mg, CaK, CaMg, KMg және CaKMg болып табылады. Бұл айнымалылар біздің болжаушыларымызға айналды, қалалық және қала маңындағы топырақтардағы никель концентрациясын болжауға көмектесті. SVMR алгоритмі аралас модельді алу үшін болжаушыларда орындалды Эмпирикалық Байес Кригинг-Тірек Векторлық Машинасы (EBK_SVM). Сол сияқты, айнымалылар аралас модельді алу үшін MLR алгоритмі арқылы да өткізіледі Эмпирикалық Байес Кригинг-Көп Сызықтық Регрессия (EBK_MLR). Әдетте, Ca, K, Mg, CaK айнымалылары, CaMg, KMg және CaKMg қалалық және қала маңындағы топырақтардағы Ni құрамын болжаушы ретінде ковариаттар ретінде қолданылады. Содан кейін алынған ең қолайлы модель (EBK_SVM немесе EBK_MLR) өзін-өзі ұйымдастыратын график арқылы көрнекі түрде көрсетіледі. Бұл зерттеудің жұмыс процесі 2-суретте көрсетілген.
SeOM пайдалану қаржы секторында, денсаулық сақтауда, өнеркәсіпте, статистикада, топырақтануда және басқа да салаларда деректерді ұйымдастыру, бағалау және болжау үшін танымал құралға айналды. SeOM ұйымдастыру, бағалау және болжау үшін жасанды нейрондық желілер мен бақылаусыз оқыту әдістерін қолдану арқылы жасалады. Бұл зерттеуде SeOM қалалық және қала маңындағы топырақтардағы Ni болжаудың ең жақсы моделіне негізделген Ni концентрациясын визуализациялау үшін пайдаланылды. SeOM бағалауында өңделген деректер n кіріс-өлшемді векторлық айнымалылар ретінде пайдаланылады43,56.Мельссен және т.б. 57-де бір кіріс қабаты арқылы нейрондық желіге кіріс векторының бір салмақ векторы бар шығыс векторына қосылуы сипатталған. SeOM арқылы жасалған шығыс - бұл жақындығына байланысты алтыбұрышты, дөңгелек немесе шаршы топологиялық карталарға өрілген әртүрлі нейрондардан немесе түйіндерден тұратын екі өлшемді карта. Метрикалық, кванттау қателігі (QE) және топографиялық қателік (TE) негізінде карта өлшемдерін салыстыру үшін сәйкесінше 0,086 және 0,904 болатын SeOM моделі таңдалған, ол 55 карталық бірлік (5 × 11). Нейрон құрылымы эмпирикалық теңдеудегі түйіндер санына сәйкес анықталады.
Бұл зерттеуде пайдаланылған деректер саны 115 үлгіні құрайды. Деректерді сынақ деректеріне (25% валидация үшін) және оқыту деректер жиынтықтарына (75% калибрлеу үшін) бөлу үшін кездейсоқ тәсіл қолданылды. Оқыту деректер жиыны регрессиялық модельді (калибрлеу) жасау үшін, ал сынақ деректер жиыны жалпылау мүмкіндігін тексеру үшін қолданылады58. Бұл топырақтағы никель мөлшерін болжау үшін әртүрлі модельдердің жарамдылығын бағалау үшін жасалды. Қолданылған барлық модельдер бес рет қайталанатын он еселік айқаспалы валидация процесінен өтті. EBK интерполяциясы арқылы алынған айнымалылар мақсатты айнымалыны (PTE) болжау үшін болжаушылар немесе түсіндірме айнымалылар ретінде пайдаланылады. Модельдеу RStudio бағдарламасында пакеттер кітапханасын (Kohonen), кітапхана (caret), кітапхана (modelr), кітапхана (“e1071″), кітапхана (“plyr”), кітапхана (“caTools”), кітапхана (”prospectr”) және кітапханаларды (“Metrics”) пайдаланып өңделеді.
Топырақтағы никель концентрациясын болжауға және модельдің дәлдігін және оны валидациялауды бағалауға жарамды ең жақсы модельді анықтау үшін әртүрлі валидация параметрлері пайдаланылды. Гибридизация модельдері орташа абсолютті қателік (MAE), орташа квадраттық қателік (RMSE) және R-квадрат немесе коэффициентті анықтау (R2) арқылы бағаланды. R2 жауаптағы пропорциялардың дисперсиясын анықтайды, ол регрессия моделімен көрсетілген. Тәуелсіз өлшемдердегі RMSE және дисперсия шамасы модельдің болжамдық күшін сипаттайды, ал MAE нақты сандық мәнді анықтайды. Валидация параметрлерін қолдана отырып, ең жақсы қоспа моделін бағалау үшін R2 мәні жоғары болуы керек, мән 1-ге неғұрлым жақын болса, дәлдік соғұрлым жоғары болады. Ли және т.б. 59 мәліметтері бойынша, R2 критерийінің мәні 0,75 немесе одан жоғары болса, жақсы болжам болып саналады; 0,5-тен 0,75-ке дейін модельдің қолайлы өнімділігі, ал 0,5-тен төмен модельдің қолайсыз өнімділігі болып табылады. RMSE және MAE валидация критерийлерін бағалау әдістерін қолдана отырып модельді таңдаған кезде алынған төменгі мәндер жеткілікті болды және ең жақсы таңдау болып саналды. Келесі теңдеу тексеру әдісін сипаттайды.
мұндағы n бақыланатын мәннің өлшемін білдіреді\({Y}_{i}\) өлшенген жауапты білдіреді, ал \({\widehat{Y}}_{i}\) сонымен қатар алғашқы i бақылаулары үшін болжанған жауап мәнін білдіреді.
Болжамды және жауап айнымалыларының статистикалық сипаттамалары 1-кестеде келтірілген, онда орташа мән, стандартты ауытқу (SD), вариация коэффициенті (CV), минималды, максималды, куртозды және ауытқу көрсетілген. Элементтердің минималды және максималды мәндері сәйкесінше Mg < Ca < K < Ni және Ca < Mg < K < Ni кему ретімен орналасқан. Зерттеу аймағынан іріктелген жауап айнымалысының (Ni) концентрациясы 4,86-дан 42,39 мг/кг-ға дейін болды. Ni-ді әлемдік орташа көрсеткішпен (29 мг/кг) және еуропалық орташа көрсеткішпен (37 мг/кг) салыстыру зерттеу аймағы үшін жалпы есептелген геометриялық орташа мәннің рұқсат етілген диапазонда екенін көрсетті. Дегенмен, Kabata-Pendias11 көрсеткендей, ағымдағы зерттеудегі никельдің (Ni) орташа концентрациясын Швециядағы ауылшаруашылық топырақтарымен салыстыру ағымдағы орташа никель концентрациясының жоғары екенін көрсетеді. Сол сияқты, ағымдағы зерттеудегі қалалық және қала маңындағы топырақтардағы Frydek Mistek орташа концентрациясы (Ni 16,15 мг/кг) ...-тан жоғары болды. Рожански және т.б. хабарлаған поляк қалалық топырақтарындағы Ni үшін рұқсат етілген 60 (10,2 мг/кг) шегі. Сонымен қатар, Бретцель мен Калдериси61 Тосканадағы қалалық топырақтарда ағымдағы зерттеумен салыстырғанда өте төмен орташа Ni концентрациясын (1,78 мг/кг) тіркеді. Jim62 сонымен қатар Гонконг қалалық топырақтарында никель концентрациясының (12,34 мг/кг) төмен екенін анықтады, бұл осы зерттеудегі ағымдағы никель концентрациясынан төмен. Бирке және т.б.63 Германияның Саксония-Анхальт қаласындағы ескі тау-кен және қалалық өнеркәсіптік аймақта Ni орташа концентрациясының 17,6 мг/кг екенін хабарлады, бұл аймақтағы Ni орташа концентрациясынан (16,15 мг/кг) 1,45 мг/кг жоғары. Ағымдағы зерттеулер. Зерттелетін аймақтың кейбір қалалық және қала маңындағы аудандарындағы топырақтардағы никельдің шамадан тыс мөлшері негізінен темір және болат өнеркәсібі мен металл өнеркәсібіне байланысты болуы мүмкін. Бұл Ходадуст және т.б. зерттеуіне сәйкес келеді. 64-те болат өнеркәсібі және металл өңдеу топырақтағы никельдің ластануының негізгі көздері болып табылатыны көрсетілген. Дегенмен, болжаушылар Ca үшін 538,70 мг/кг-дан 69 161,80 мг/кг-ға дейін, K үшін 497,51 мг/кг-дан 3535,68 мг/кг-ға дейін және Mg үшін 685,68 мг/кг-дан 5970,05 мг/кг-ға дейін болды. Яковлевич және т.б. 65 орталық Сербиядағы топырақтардың жалпы Mg және K құрамын зерттеді. Олар жалпы концентрациялардың (сәйкесінше 410 мг/кг және 400 мг/кг) ағымдағы зерттеудегі Mg және K концентрацияларынан төмен екенін анықтады. Шығыс Польшада Оржеховский мен Смольчинский66 Ca, Mg және K жалпы құрамын бағалап, Ca (1100 мг/кг), Mg (590 мг/кг) және K (810 мг/кг) орташа концентрацияларын көрсетті. Топырақтың жоғарғы қабатындағы құрамы осы зерттеудегі бір элементтен төмен. Понграк және т.б.67 жақында жүргізген зерттеу Шотландия мен Ұлыбританиядағы 3 түрлі топырақта (Милнефилд топырағы, Балруддери топырағы және Хартвуд топырағы) талданған жалпы Ca мөлшері осы зерттеуде Ca мөлшерінің жоғары екенін көрсетті.
Іріктелген элементтердің өлшенген концентрацияларының әртүрлі болуына байланысты, элементтердің деректер жиынтығының таралуы әртүрлі қисықтықты көрсетеді. Элементтердің қисықтығы мен куртоздығы сәйкесінше 1,53-тен 7,24-ке дейін және 2,49-дан 54,16-ға дейін болды. Барлық есептелген элементтерде қисықтық пен куртоз деңгейлері +1-ден жоғары, бұл деректердің таралуының біркелкі емес, дұрыс бағытта қисық және шыңына жеткенін көрсетеді. Элементтердің бағаланған CV мәндері K, Mg және Ni орташа өзгергіштікті көрсететінін, ал Ca өте жоғары өзгергіштікті көрсететінін көрсетеді. K, Ni және Mg CV мәндері олардың біркелкі таралуын түсіндіреді. Сонымен қатар, Ca таралуы біркелкі емес және сыртқы көздер оның байыту деңгейіне әсер етуі мүмкін.
Болжамды айнымалылардың жауап элементтерімен корреляциясы элементтер арасындағы қанағаттанарлық корреляцияны көрсетті (3-суретті қараңыз). Корреляция CaK, CaNi сияқты, r мәні = 0,53 болатын орташа корреляцияны көрсетті. Ca және K бір-бірімен орташа байланыстарды көрсеткенімен, Кингстон және т.б. сияқты зерттеушілер 68 және Santo69 олардың топырақтағы деңгейлері кері пропорционалды екенін көрсетеді. Дегенмен, Ca және Mg K-ге антагонист болып табылады, бірақ CaK жақсы корреляцияланады. Бұл калийдегі 56%-ға жоғары калий карбонаты сияқты тыңайтқыштарды қолданумен байланысты болуы мүмкін. Калий магниймен орташа корреляцияланған (KM r = 0,63). Тыңайтқыш өнеркәсібінде бұл екі элемент тығыз байланысты, себебі калий магний сульфаты, калий магний нитраты және калий топыраққа олардың жетіспеушілік деңгейін арттыру үшін қолданылады. Никель Ca, K және Mg-мен орташа корреляцияланған, r мәндері сәйкесінше 0,52, 0,63 және 0,55. Кальций, магний және никель сияқты ФТЭ-лермен байланыс күрделі, бірақ соған қарамастан, магний кальцийдің сіңуін тежейді, кальций артық магнийдің әсерін азайтады, ал магний де, кальций де топырақтағы никельдің улы әсерін азайтады.
Болжамдаушылар мен жауаптар арасындағы байланысты көрсететін элементтерге арналған корреляциялық матрица (Ескерту: бұл суретте элементтер арасындағы шашыраңқылық графигі көрсетілген, маңыздылық деңгейлері p < 0,001 негізінде есептеледі).
4-суретте элементтердің кеңістіктік таралуы көрсетілген. Бургос және т.б.70 мәліметтері бойынша, кеңістіктік таралуды қолдану ластанған аймақтардағы ыстық нүктелерді сандық бағалау және белгілеу үшін қолданылатын әдіс болып табылады. 4-суреттегі Ca байыту деңгейлерін кеңістіктік таралу картасының солтүстік-батыс бөлігінен көруге болады. Суретте орташа және жоғары Ca байыту ыстық нүктелері көрсетілген. Картаның солтүстік-батысындағы кальцийдің байытылуы топырақ қышқылдығын төмендету үшін сөндірілген әкті (кальций оксиді) пайдалану және оны болат зауыттарында болат балқыту процесінде сілтілі оттегі ретінде пайдаланумен байланысты болуы мүмкін. Екінші жағынан, басқа фермерлер қышқыл топырақта рН-ны бейтараптандыру үшін кальций гидроксидін қолдануды жөн көреді, бұл топырақтағы кальций мөлшерін де арттырады71. Калий картаның солтүстік-батысында және шығысында ыстық нүктелерді де көрсетеді. Солтүстік-батыс ірі ауылшаруашылық қауымдастығы болып табылады, ал калийдің орташадан жоғарыға дейінгі үлгісі NPK және калий қолдануына байланысты болуы мүмкін. Бұл Мадарас және Липавский72, Мадарас және т.б.73, Пулкрабова және т.б.74, Асаре және т.б.75 сияқты басқа зерттеулермен сәйкес келеді, олар ... деп байқады Топырақты тұрақтандыру және KCl және NPK-мен өңдеу топырақта K мөлшерінің жоғары болуына әкелді. Таралу картасының солтүстік-батысындағы кеңістіктік калийдің байытылуы кедей топырақтарда калий мөлшерін арттыру үшін калий хлориді, калий сульфаты, калий нитраты, калий және калий тыңайтқыштары сияқты калий негізіндегі тыңайтқыштарды пайдаланумен байланысты болуы мүмкін. Zádorová және т.б. 76 және Tlustoš және т.б. 77-де калий негізіндегі тыңайтқыштарды қолдану топырақтағы калий мөлшерін арттыратыны және ұзақ мерзімді перспективада топырақтағы қоректік заттардың мөлшерін, әсіресе топырақтағы ыстық нүктені көрсететін калий мен магний мөлшерін айтарлықтай арттыратыны көрсетілген. Картаның солтүстік-батысында және картаның оңтүстік-шығысында салыстырмалы түрде орташа ыстық нүктелер. Топырақтағы коллоидтық бекіту топырақтағы магний концентрациясын төмендетеді. Топырақта оның жетіспеушілігі өсімдіктердің сарғыш тамыраралық хлорозын тудырады. Калий магний сульфаты, магний сульфаты және кизерит сияқты магний негізіндегі тыңайтқыштар қалыпты рН диапазоны бар топырақтардағы жетіспеушіліктерді емдейді (өсімдіктер күлгін, қызыл немесе қоңыр болып көрінеді, бұл магний жетіспеушілігін көрсетеді)6. Қалалық және қала маңындағы топырақ беттерінде никельдің жиналуы ауыл шаруашылығы сияқты антропогендік әрекеттерге және тот баспайтын болат өндірісіндегі никельдің маңыздылығына байланысты болуы мүмкін78.
Элементтердің кеңістіктік таралуы [кеңістіктік таралу картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL мекенжайы: https://desktop.arcgis.com) көмегімен жасалды.]
Бұл зерттеуде қолданылған элементтердің модельдік өнімділік индексінің нәтижелері 2-кестеде көрсетілген. Екінші жағынан, Ni-дің RMSE және MAE мәндері нөлге жақын (0,86 RMSE, -0,08 MAE). Екінші жағынан, K-нің RMSE және MAE мәндерінің екеуі де қолайлы. RMSE және MAE нәтижелері кальций мен магний үшін жоғары болды. Ca және K MAE және RMSE нәтижелері әртүрлі деректер жиынтығына байланысты жоғарырақ. Ni болжау үшін EBK қолданылған осы зерттеудің RMSE және MAE нәтижелері Джон және т.б. 54-тің сол жиналған деректерді пайдаланып топырақтағы S концентрациясын болжау үшін синергетикалық кригингті қолданған нәтижелерінен жақсырақ екені анықталды. Біз зерттеген EBK нәтижелері Фабиачик және т.б. 41, Ян және т.б. 79, Бегуин және т.б. 80, Адхикари және т.б. 81 және Джон және т.б. 82 нәтижелерімен, әсіресе K және Ni көрсеткіштерімен корреляцияланады.
Қалалық және қала маңындағы топырақтардағы никель мөлшерін болжаудың жеке әдістерінің өнімділігі модельдердің өнімділігін пайдалана отырып бағаланды (3-кесте). Модельді валидациялау және дәлдікті бағалау Ca_Mg_K предикторының EBK SVMR моделімен біріктірілгенде ең жақсы нәтиже бергенін растады. Ca_Mg_K-EBK_SVMR калибрлеу моделі R2, орташа квадраттық қателік (RMSE) және орташа абсолютті қателік (MAE) 0,637 (R2), 95,479 мг/кг (RMSE) және 77,368 мг/кг (MAE) болды. Ca_Mg_K-SVMR 0,663 (R2), 235,974 мг/кг (RMSE) және 166,946 мг/кг (MAE) болды. Дегенмен, Ca_Mg_K-SVMR (0,663 мг/кг R2) және Ca_Mg-EBK_SVMR (0,643 = R2) үшін жақсы R2 мәндері алынды; олардың RMSE және MAE нәтижелері Ca_Mg_K-EBK_SVMR (R2 0.637) нәтижелерінен жоғары болды (3-кестені қараңыз). Сонымен қатар, Ca_Mg-EBK_SVMR (RMSE = 1664.64 және MAE = 1031.49) моделінің RMSE және MAE нәтижелері сәйкесінше 17.5 және 13.4 құрайды, бұл Ca_Mg_K-EBK_SVMR нәтижелерінен үлкенірек. Сол сияқты, Ca_Mg-K SVMR (RMSE = 235.974 және MAE = 166.946) моделінің RMSE және MAE нәтижелері Ca_Mg_K-EBK_SVMR RMSE және MAE нәтижелерінен сәйкесінше 2.5 және 2.2 үлкенірек. Есептелген RMSE нәтижелері деректер жиынтығының ең жақсы сәйкестік сызығына қаншалықты шоғырланғанын көрсетеді. Жоғары RSME және MAE байқалды. Кебонье және т.б. мәліметтері бойынша... 46 және Джон және т.б. 54 зерттеулерінде RMSE және MAE нөлге неғұрлым жақын болса, нәтижелер соғұрлым жақсы болады. SVMR және EBK_SVMR кванттық RSME және MAE мәндерінің жоғарырақ болуы байқалады. RSME бағалаулары MAE мәндерінен үнемі жоғары болып, ауытқулардың бар екенін көрсетеді. Legates және McCabe83 мәліметтері бойынша, RMSE орташа абсолютті қателіктен (MAE) асып кету дәрежесі ауытқулардың бар екендігінің көрсеткіші ретінде ұсынылады. Бұл деректер жиынтығы неғұрлым гетерогенді болса, MAE және RMSE мәндері соғұрлым жоғары болатынын білдіреді. Қалалық және қала маңындағы топырақтардағы Ni мөлшерін болжау үшін Ca_Mg_K-EBK_SVMR аралас моделінің айқаспалы валидациялық бағалауының дәлдігі 63,70% құрады. Li және т.б. 59 мәліметтері бойынша, бұл дәлдік деңгейі модельдің жұмыс істеу жылдамдығының қолайлы көрсеткіші болып табылады. Қазіргі нәтижелер Тарасов және т.б. жүргізген алдыңғы зерттеумен салыстырылады. 36 гибридті моделі ағымдағы зерттеуде көрсетілген EBK_SVMR дәлдік бағалау индексіне қатысты MLPRK (Multilayer Perceptron Residual Kriging) құрды, RMSE (210) және MAE (167.5) ағымдағы зерттеудегі нәтижелерімізден (RMSE 95.479, MAE 77.368) жоғары болды. Дегенмен, ағымдағы зерттеудің R2-сін (0.637) Тарасов және т.б. нәтижелерімен салыстырған кезде. 36 (0,544) суретінен бұл аралас модельде анықтау коэффициентінің (R2) жоғары екені анық. Аралас модель үшін қателік шегі (RMSE және MAE) (EBK SVMR) екі есе төмен. Сол сияқты, Сергеев және т.б.34 әзірленген гибридті модель (Multilayer Perceptron Residual Kriging) үшін 0,28 (R2) тіркеді, ал ағымдағы зерттеуде Ni 0,637 (R2) тіркеді. Бұл модельдің болжам дәлдігі деңгейі (EBK SVMR) 63,7% құрайды, ал Сергеев және т.б.34 алған болжам дәлдігі 28% құрайды. EBK_SVMR моделін және болжам ретінде Ca_Mg_K пайдаланып жасалған соңғы карта (5-сурет) бүкіл зерттеу аймағында ыстық нүктелер мен орташадан никельге дейінгі болжамдарды көрсетеді. Бұл зерттеу аймағындағы никель концентрациясы негізінен орташа, кейбір нақты аймақтарда концентрациясы жоғары екенін білдіреді.
Соңғы болжам картасы EBK_SVMR гибридті моделін және болжаушы ретінде Ca_Mg_K пайдаланылуын пайдаланып көрсетілген. [Кеңістіктік таралу картасы RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалған.]
6-суретте жеке нейрондардан тұратын композициялық жазықтық ретіндегі PTE концентрациялары көрсетілген. Компоненттік жазықтықтардың ешқайсысы көрсетілгендей бірдей түс үлгісін көрсеткен жоқ. Дегенмен, сызылған картадағы нейрондардың тиісті саны 55. SeOM әртүрлі түстерді қолдану арқылы жасалады, және түс үлгілері неғұрлым ұқсас болса, үлгілердің қасиеттері соғұрлым салыстырмалы болады. Дәл түс шкаласына сәйкес, жеке элементтер (Ca, K және Mg) жеке жоғары нейрондарға және көптеген төмен нейрондарға ұқсас түс үлгілерін көрсетті. Осылайша, CaK және CaMg өте жоғары ретті нейрондармен және төменнен орташа түс үлгілерімен кейбір ұқсастықтарға ие. Екі модель де топырақтағы Ni концентрациясын қызыл, қызғылт сары және сары сияқты орташадан жоғары түс реңктерін көрсету арқылы болжайды. KMg моделі дәл пропорцияларға және төменнен орташа түс дақтарына негізделген көптеген жоғары түсті үлгілерді көрсетеді. Төменнен жоғарыға дейінгі дәл түс шкаласында модель компоненттерінің жазықтық таралу үлгісі топырақтағы никельдің ықтимал концентрациясын көрсететін жоғары түсті үлгіні көрсетті (4-суретті қараңыз). CakMg моделінің компоненттік жазықтығы дәл түске сәйкес төменнен жоғарыға дейінгі әртүрлі түс үлгісін көрсетеді. масштаб. Сонымен қатар, модельдің никель құрамын (CakMg) болжау 5-суретте көрсетілген никельдің кеңістіктік таралуына ұқсас. Екі график те қалалық және қала маңындағы топырақтардағы никель концентрациясының жоғары, орташа және төмен пропорцияларын көрсетеді. 7-суретте картадағы k-орташа топтастырудағы контур әдісі көрсетілген, ол әр модельдегі болжамды мәнге негізделген үш кластерге бөлінген. Контур әдісі кластерлердің оңтайлы санын білдіреді. Жиналған 115 топырақ үлгісінің ішінде 1-санат ең көп топырақ үлгілерін, 74-ін алды. 2-кластер 33 үлгі алды, ал 3-кластер 8 үлгі алды. Кластерлерді дұрыс түсіндіруге мүмкіндік беру үшін жеті компонентті жазық предиктор комбинациясы жеңілдетілді. Топырақтың түзілуіне әсер ететін көптеген антропогендік және табиғи процестерге байланысты таратылған SeOM картасында кластерлік үлгілерді дұрыс саралау қиын78.
Әрбір эмпирикалық байестік Кригинг қолдау векторлық машинасының (EBK_SVM_SeOM) айнымалысы арқылы компоненттік жазықтық шығысы. [SeOM карталары RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалды.]
Кластерлік жіктеудің әртүрлі компоненттері [SeOM карталары RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалды.]
Ағымдағы зерттеу қалалық және қала маңындағы топырақтардағы никель концентрациясын модельдеу әдістерін анық көрсетеді. Зерттеу топырақтағы никель концентрациясын болжаудың ең жақсы жолын алу үшін элементтерді модельдеу әдістерімен біріктіре отырып, әртүрлі модельдеу әдістерін сынақтан өткізді. Модельдеу әдісінің SeOM құрамдық жазықтық кеңістіктік ерекшеліктері дәл түс шкаласында төменнен жоғарыға дейін жоғары түсті үлгіні көрсетті, бұл топырақтағы Ni концентрациясын көрсетеді. Дегенмен, кеңістіктік таралу картасы EBK_SVMR көрсеткен компоненттердің жазықтық кеңістіктік таралуын растайды (5-суретті қараңыз). Нәтижелер тірек векторының машиналық регрессия моделі (Ca Mg K-SVMR) топырақтағы Ni концентрациясын бір модель ретінде болжайтынын, бірақ валидация және дәлдікті бағалау параметрлері RMSE және MAE тұрғысынан өте жоғары қателіктерді көрсететінін көрсетеді. Екінші жағынан, EBK_MLR моделімен қолданылатын модельдеу әдісі де анықтау коэффициентінің (R2) төмен мәніне байланысты ақаулы. Жақсы нәтижелер EBK SVMR және RMSE және MAE қателіктері төмен біріктірілген элементтерді (CaKMg) 63,7% дәлдікпен қолдану арқылы алынды. EBK алгоритмін машиналық оқыту алгоритмімен біріктіру гибридті алгоритмді жасай алатыны белгілі болды. топырақтағы ПТЭ концентрациясын болжай алады. Нәтижелер зерттеу аймағында Ni концентрациясын болжайтын болжам ретінде Ca Mg K пайдалану топырақтағы Ni болжамын жақсарта алатынын көрсетеді. Бұл никель негізіндегі тыңайтқыштарды үздіксіз қолдану және болат өнеркәсібінің топырақтың өнеркәсіптік ластануы топырақтағы никель концентрациясын арттыруға бейім екенін білдіреді. Бұл зерттеу EBK моделі қателік деңгейін төмендетіп, қалалық немесе қала маңындағы топырақтардағы топырақтың кеңістіктік таралу моделінің дәлдігін жақсарта алатынын көрсетті. Жалпы, біз топырақтағы ПТЭ-ні бағалау және болжау үшін EBK-SVMR моделін қолдануды ұсынамыз; сонымен қатар, біз әртүрлі машиналық оқыту алгоритмдерімен будандастыру үшін EBK пайдалануды ұсынамыз. Ni концентрациясы ковариаттар ретінде элементтерді пайдаланып болжанды; дегенмен, көбірек ковариаттарды пайдалану модельдің өнімділігін айтарлықтай жақсартады, бұл ағымдағы жұмыстың шектеуі деп санауға болады. Бұл зерттеудің тағы бір шектеуі - деректер жиынтығының саны 115. Сондықтан, егер көбірек деректер берілсе, ұсынылған оңтайландырылған будандастыру әдісінің өнімділігін жақсартуға болады.
PlantProbs.net. Өсімдіктер мен топырақтағы никель https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021 жылдың 28 сәуірінде қол жеткізілді).
Каспрзак, К.С. Никельдің қазіргі заманғы экологиялық токсикологиядағы жетістіктері. қоршаған орта. токсикология.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Оның көздері мен қоршаған орта токсикологиясына шолу. Polish J. Environment.Stud.15, 375–382 (2006).
Фридман, Б. және Хатчинсон, Т.К. Канаданың Онтарио штатындағы Садбери қаласындағы никель-мыс балқыту зауытының маңындағы атмосферадан ластаушы заттардың түсуі және топырақ пен өсімдіктерде жиналуы.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Манива, Т. және т.б. Топырақтағы, өсімдіктердегі ауыр металдар және Ботсванадағы Селеби-Фикве мыс-никель кенішінің маңындағы жайылымдық күйіс қайыратын жануарлармен байланысты қауіптер. қоршаған орта. Геохимия. Денсаулық https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Топырақтағы микроэлементтер және... – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Қолжетімділік күні: 24 қараша 2020 ж.).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, анықталмаған. Норвегияның Соер-Варангер қаласындағы ауылшаруашылық топырақтары мен шөптеріндегі ауыр металдардың концентрациясына Ресей никель өнеркәсібінің әсері. agris.fao.org.
Нильсен, Г.Д. және т.б. Ауыз суда никельдің сіңуі және сақталуы тамақ қабылдауымен және никельге сезімталдықпен байланысты. Токсикология. Қолданылуы. Фармакодинамика.154, 67–75 (1999).
Коста, М. және Клейн, КБ Никель канцерогенезі, мутация, эпигенетика немесе сұрыптау. қоршаған орта. Денсаулық сақтау перспективасы. 107, 2 (1999).
Аджман, П.К.; Аджадо, С.К.; Борувка, Л.; Бини, Дж.К.М.; Саркоди, В.ЙО; Кобонье, Н.М.; Потенциалды улы элементтердің трендтік талдауы: библиометриялық шолу. Қоршаған орта геохимиясы және денсаулық. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. және МакБратни, А.Б. Топырақтың сандық картасы: қысқаша тарихы және кейбір сабақтары. Геодерма 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Сандық топырақ картасы туралы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистикалық резервуар модельдеуі,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (2021 жылдың 28 сәуірінде қол жеткізілді).